Professional Documents
Culture Documents
A que temperatura a gua entre em ebulio? Se largarmos uma bola, com que
velocidade ela atinge o cho?
Conhecidas certas condies, perfeitamente possvel responder a essas duas
perguntas, antes mesmo da realizao desses experimentos.
Probabilidade se refere ao estudo da aleatoriedade e incerteza, quantificao do
conhecimento de um particular evento.
Exemplo 1.1 : Previso do tempo. A probabilidade de chuva em um dia 25%.
Mas o que significa os 25%, traduz a quantidade de informao que uma pessoa traz
sobre a probabilidade de chuva.
Exemplo 1.3:
a) A medio de corrente em um fio de cobre o modelo para o sistema deve
simplesmente, ser a lei de Ohm. Por causa das entradas no controlveis, so
esperadas aproximaes adequadas. Entretanto, se as variaes forem
grandes, relativas ao uso intencionado do equipamento sob o estudo, podemos
necessitar estender nosso modelo para incluir a variao.
b) Jogue uma moeda quatro vezes e observe o nmero de caras obtido;
c) Uma lmpada fabricada e em seguida ensaiada. Observe a sua durao de
vida;
d) Peas so fabricadas at que 10 peas perfeitas sejam produzidas. O nmero
total de peas observado.
Exemplo 1.4:
a) No lanamento de uma moeda S= {cara,coroa}
b) No lanamento de um dado S= {1, 2, 3, 4, 5, 6}
alguns
casos,
adequado
listar
os
elementos
do
espao
amostral
Exemplo 1.6 : Suponha que trs itens sejam selecionados em um processo industrial.
Cada um inspecionado e classificado como defeituoso D, ou no defeituoso, N. Para
listar os elementos do espao amostral que fornece o maior nmero de informaes,
construmos o diagrama de rvore.
Observao:
Os espaos amostraiscom um nmero grande ou infinito de pontos amostrais so mais
bem descritos por um enunciado ou regra. Por exemplo: Se os resultados possveis de
um experimento so o conjunto de cidades do mundo com populao acima de um
milho de habitantes, nosso espao amostral escrito como:
e que o
evento impossvel.
3) C: A soma dos resultados nos dois dados igual a 12 ou menor que 12.
CS
1) Uma urna contm 10 bolas numeradas de 1 a 10. Retira-se uma bola ao acaso e
observa-se o nmero indicado. Descrever de forma explcita os seguintes conjuntos e
dar o nmero de elementos de cada um:
a) O espao amostral S
b) O evento A: o nmero da bola mpar
c) O evento B: o nmero da bola maior que 6.
A 3 A um evento simples
Portanto, a probabilidade de cair 3 de 1 em 6, ou seja,
1
, ou ainda de 16,66...%.
6
1
6
1
, ou ainda de 50%
2
1
.
2
1
, ou ainda de aproximadamente
52
1,9%. Tambm neste caso,a probabilidade de ser retirada ao acaso qualquer uma das
outras 51 cartas do baralho de
1
52
m
n n
(n ) , ou seja, P( E ) lim
A H .
A medida que forem realizados os lanamentos da moeda, notamos que a
proporo (frequncia relativa) de caras se aproxima de . O abaixo ilustra esta
situao apresentando a tendncia da frequncia relativa em se aproximar do valor ,
medida em que o nmero de lanamentos cresce.
1
. Para um evento simples A,
n
1
n( S )
n A so,
P( A)
1
.
36
S (2,6), (3,5), (3,6), (4,4), (4,5), (4,6), (5,3), (5,4), (5,5), (5,6), (6,2), (6,3), (6,4), (6,5), (6,6)
n(E)=15
n( E ) 15
n( S ) 36
Ainda podemos compreender que P(E ) a soma das probabilidades dos 15 eventos
simples de probabilidade
P( E )
1
.
36
1
1
1 15
...
36 36
36 36
1)
10
1) Unio
2) Interseco
3) Evento Complementar
11
A 2,4,6,7 e
P( A B) P( A) P( B) P( A B)
Corolrio 1
A e B so mutuamente exclusivos, ento:
Quando os Eventos so mutuamente excluivos P( A B) P( A) P( B) P( A B)
no h possibilidade de ocorrer simultaneamente. Desta forma, temos que
P( A B) 0 . Assim, P( A B) P( A) P( B) 0
P( A B) P( A) P( B)
Assim, podemos escrever:
Corolrio 2
A1 , A2 ,..., An so
Se
mutuamente
exclusivos,
ento
P( A1 A2 ... An ) P( A1 ) P( A2 ) ... P( An )
Uma coleo de eventos
A1 , A2 ,..., An
Corolrio 3
Se
A1 , A2 ,..., An
uma
partio
do
espao
amostral
S,
ento
P( A B C) P( A) P( B) P(C) P( A B) P( A C) P( B C) P( A B C)
13
14
Teorema do Complementar
Se A e A so eventos complementares ento P( A) P( A) 1
4 Probabilidade: Condicional
15
P( B | A)
P( A B)
desde que P( A) 0
P( A)
Exemplo 4.1: Suponha que o espao amostral S seja a populao adulta de uma
pequena cidade a qual completou os requerimentos para o nvel universitrio.
Devemos categoriz-los de acordo com gnero e status empregatcio. Os dados so
apresentados na tabela:
Empregados
Desempregados
Total
Homem
460
40
500
Mulher
140
260
400
Total
600
300
900
Um desses indivduos selecionado aleatoriamente para uma turn pelo pas para
divulgar as vantagens de novas indstrias se estabelecerem na cidade. Devemos nos
preocupar com os seguintes eventos:
M: um homem escolhido
E: o escolhido est empregado
460 23
600 30
P( M | E )
n( E M ) n ( E M ) / n ( S ) P ( E M )
onde P( E M ) e P(E ) so
n( E )
n( E ) / n( S )
P( E )
16
P( E )
600 2
460 23
e P( E M )
. Ento
900 3
900 45
P( M | E )
23 / 45 23
2/3
30
17
que
os
eventos
A B
B A
so
equivalentes,
ou
seja,
Exemplo 5.1: Suponha que temos uma caixa com 20 fusveis, dentre os quais cinco
apresentam defeito. Se dois fusveis so selecionados aleatoriamente e removidos da
caixa, sucessivamente, sem reposio do primeiro, qual a probabilidade de que
ambos apresentem defeito?
Soluo: Devemos considerar que A seja o evento no qual o primeiro fusvel
apresenta defeito e B o evento no qual
interpretamos
1
, e ento
4
4
1
5 4 1 4
. Portanto: P( A B) . .
19
20 19 4 19 19
18
1
, ou seja, P( B | A) P( B) e os
4
Teorema:
Dois
eventos
P( A B) P( A) P( B) .
B so
independentes
se,
e somente se,
Exemplo 5.3: Seja uma produo de vinte peas agrcolas em que 12 so defeituosas
e 8 so perfeitas, so inspecionadas uma aps a outra. Se essas peas forem
extradas ao acaso, qual ser a probabilidade de que:
a) As duas primeiras peas sejam defeituosas
b) As duas primeiras peas sejam perfeitas
c) As duas primeiras peas inspecionadas uma seja perfeita e a outra defeituosa.
Soluo:
a) D= defeituosa
P( D D) P( D).P( D | D)
12 11 132 33
.
20 19 380 95
b) P= perfeitas
P( P P) P( P).P( P | P)
8 7
56 14
.
20 19 380 95
19
12 8
8 12 96
96 48
.
20 19 20 19 380 380 95
20
Teorema
Se os eventos B1 , B2 ,..., Bk constituem uma partio do espao amostral S, de
modo que P( B) 0 para i 1,2,..., k ento para qualquer evento de S.
k
i 1
i 1
P( A) P( Bi A) P( Bi ).P( A | Bi )
P( A) P( B1 ) P( A | B1 ) P( B2 ) P( A | B2 ) P( B3 ) P( A | B3 )
21
P( B1 ) P( A | B1 ) (0,3)(0,02) 0,006
P( B2 ) P( A | B2 ) (0,45)(0,03) 0,0135
P( B3 ) P( A | B3 ) (0,25)(0,02) 0,005
Ento:
P( A) P( B1 ) P( A | B1 ) P( B2 ) P( A | B2 ) P( B3 ) P( A | B3 )
P( A) 0,006 0,0135 0,005
P( A) 0,0245
P( Br | A)
P( Br A)
k
P( B
i 1
A)
P ( Br ) P ( A | Br )
k
P( B ) P( A | B )
i 1
para i 1,2,..., k
P( B3 | A)
P( B3 ) P( A | B3 )
P( B1 ) P( A | B1 ) P( B2 ) P( A | B2 ) P( B3 ) P( A | B3 )
P( B3 | A)
0,005
0,005 10
Exemplo 6.2: Uma indstria emprega trs planos analticos para criar e desenvolver
certo produto. Devido aos custos, os trs planos so usados em momentos variados.
Na verdade, os planos 1, 2 e 3 so usados para 30%, 20% e 50% dos produtos
respectivamente. O ndice de defeitos diferente para os trs procedimentos:
P( D | P1 ) 0,01
P( D | P2 ) 0,03
P( D | P3 ) 0,02 , onde P( D | Pj ) a
P( P1 ) 0,30
P( P2 ) 0,20
P( P3 ) 0,50
P( P1 | D)
P( P1 ) P( D | P1 )
P( P1 ) P( D | P1 ) P( P2 ) P( D | P2 ) P( P3 ) P( D | P3 )
(0,30)(0,01)
(0,3)(0,01) (0,20)(0,03) (0,50)(0,02)
0,003
P( P1 | D)
0,158
0,019
P( P1 | D)
Da mesma forma:
P( P2 | D)
(0,03)(0,20)
0,316
0,019
P( P3 | D)
(0,02)(0,50)
0,526
(0,019)
23
1) Suponha que temos duas urnas I e II, cada urna tem duas gavetas. A urna I contm
uma moeda de ouro em uma gaveta e uma moeda de prata na outra; enquanto a urna
II contm uma moeda de ouro em cada gaveta. Uma urna escolhida ao acaso, a
seguir uma de suas gavetas aberta ao acaso. Verifica-se que a moeda encontrada
nessa gaveta ouro. Qual a probabilidade de que a moeda provenha da urna II?
24
Exemplo 7.1: Duas bolas so retiradas, sucessivamente, de uma urna que contm
quatro bolas vermelhas e trs pretas sem serem repostas. Os resultados possveis e
os valores y da varivel aleatria Y, onde Y o nmero de bolas vermelhas so:
Espao Amostral
VV
VP
PV
PP
Exemplo 7.2: Considere a situao simples na qual componentes esto saindo de uma
linha de produo e so classificados como defeituosos ou no defeituosos. A varivel
aleatria X definida por:
OBSERVAO:
Distribuies de probabilidade discretas: conveniente representar todas as
probabilidades de uma varivel
necessariamente, uma funo dos valores numricos x , denotamos esta funo por
f (x) 1
3) P( X x) f ( x)
OBSERVAO:
Distribuies de probabilidade contnuas: A distribuio de probabilidade de uma
varivel aleatria no possa ser apresentada na forma de tabela, ela pode ser
expressa como uma frmula. Tal frmula seria, necessriamente, uma funo de
valores numricos da varivel aleatria contnua X , e como tal representada pela
notao de funo f (x) . Ao lidar com variveis contnuas, f(x) usualmente chamada
de funo de densidade de probabilidade, ou simplesmente de funo de densidade
de X . J que X definida sobre um espao amostral contnuo, possvel que
b igual a rea
x b , e do
P(a X b) f ( x)dx
a
27
2)
f ( x)dx 1
3) P(a X b)
f ( x)dx
a
Definio 6: Seja uma varivel aleatria X , discreta que assume valores no conjunto
x1 , x2 , x3 ,....
E (X ) onde:
E( X )
28
Exemplos 8.1
a) Face de uma moeda: cara (sucesso) ou coroa (fracasso);
b) Sexo de uma criana: Masculino (sucesso) ou feminino (fracasso);
c) Qualidade de uma pea: Perfeita (sucesso) ou defeituosa (fracasso)
Uma varivel aleatria X chamada de varivel de Bernoulli com sendo a
probabilidade de sucessose sua funo probabilidade for dada por:
Px ( x) Px ( X x) x (1 )1 x
x 0,1
0 1
Notao: X ~ B(1; ) ;
E( X ) 0 ;
Var ( X ) (1 )
1
4
29
y 0,1,..., n
0 1
Observao:
Notao: X ~ B(n; ) ;
E ( X ) n. ;
Var ( X ) n. (1 )
30
e x
x!
Observao:
E (X ) ;
Var (X ) ;
n. p
Exemplo 8.5 Uma central PS recebe em mdia 5 chamadas por minuto. Supondo que
as chamadas que chegam constituam uma distribuio de Poisson, obtenha a
probabilidade de que o PS no receba chamadas durante o intervalo de um minuto.
31
X [0,); etc.
f ( x)
exp
( x ) 2 ;
2
2
2
x com e
2 0
Notao: X ~ N ( , 2 ) L-se X tem distribuio Normal com mdia e varincia
2
8.2.2 Representao Grfica da Curva Normal
32
Para calcular tais reas teramos que usar o clculo de integrais. Como
complicado, esse clculo foi feito para todas as reas possveis e foi tabelado. Mas o
clculo s foi feito para a Distribuio Normal com Mdia 0 e Varincia 1. Essa
Normal chamada de Normal Padro, e a varivel aleatria , em geral, representada
pela letra Z .
Pela notao anterior temos: Z ~ N (0,1) l-se: Z tem distribuio Normal Padro
33
Z,
rea
sobreada
P (0 z z 0 )
no
grfico
corresponde
seguinte
probabilidade
z0
f (z
34
35
36
37
z 0 1,25
1,8 1
0,2 1
0,2 X 1,8
P(0,2 X 1,8) P
0,4
0,4
P 2 Z 2 0,4772 0,4772 0,9544
1 A altura de uma determinada classe uma varivel aleatria normal com mdia 175
cm e varincia 225 cm2. Qual a probabilidade de encontrarmos alunos com altura entre
165 e 187 cm?
38